跳到主要內容

投資美國公債好嗎？

為何談論美國公債，因為美國公債有史以來都沒有違約紀錄，可以說是安全資產的代表，甚至美國公債殖利率可以當作無風險利率來作為評價其他所有資產價值的基準。

投資美國公債好嗎？

不好，幾乎藉由任何管道投資美國公債都不好，因為成本相對太高。投資美國公債目的就是要賺債息。等等再談其實可以賺公債升值。不過在公債票面價值不變的假設下，共同基金如果內扣0.5%，100元票面價值2%票面利率的10年期美國公債，每年配2元，就要扣掉100X0.005=0.5元，也就是拿走0.5/2 = 0.25，25%你的利息，值得嗎？

另外投資美國交易的公債ETF也有配息要扣30%的稅，100元票面價值2%票面利率的10年期美國公債，每年配2元，就要扣掉2X0.3=0.6元，也就是拿走0.6/2 = 0.3，30%你的利息，更不值得，況且我這邊的計算是假設美國交易的公債ETF內扣開銷為0，但是通常還是有收一點。

台灣上市公債ETF內扣開銷及成立日期

名稱 內扣費用(%)成立日期
永豐1-3年美公債 0.232019/09/19
新光美債1-3 0.12019/04/18
元大美債1-3 0.132018/01/19
富邦美債1-3 0.182017/05/31
元大美債7-10 0.72017/06/09
富邦美債7-10 0.532017/05/31
永豐20年美公債 0.22019/09/19
中信美國公債20年 0.142019/4/1
FH20年美債 0.182019/01/15
富邦美債20年 0.22017/05/31
國泰20年美債 0.222017/04/06
元大美債20年 0.262017/01/11
即使每隻基金內扣費用略有不同，但是其實報酬差不多，可參考這篇文章。

哪檔國內債券ETF基金最老牌

  • 1-3年期：元大美債1-3最老。
  • 7-10年期：富邦美債7-10與元大美債7-10概同。
  • 20年期：元大美債20年最老。

哪檔國內債券ETF基金內扣費用最低

  • 1-3年期：新光美債1-3最低。
  • 7-10年期：富邦美債7-10最低。
  • 20年期：中信美國公債20年最低。

    美國交易公債ETF配息課稅換算為內扣費用表(票面價值為100元)

    利率(%) 債息 課稅 費用率(%)
    0.1 0.1 0.03 0.03
    0.3 0.3 0.09 0.09
    0.6 0.6 0.18 0.18
    0.9 0.9 0.27 0.27
    1.2 1.2 0.36 0.36
    1.5 1.5 0.45 0.45
    1.8 1.8 0.54 0.54
    2.1 2.1 0.63 0.63
    2.4 2.4 0.72 0.72
    2.7 2.7 0.81 0.81
    雖然我是一個被動投資愛好者，但是說到美國公債，我就完全持相反看法，投資美國公債一定要會操作，非常簡單的概念，高殖利率買進持有，就這樣，不一定要頻繁交易。

    這邊我談的是，當殖利率上升時，公債價格下跌，可以撿便宜，這時，當殖利率下跌時，可以賺到價差，或是持有領債息。

    另外也要同時考量美金兌新台幣匯率，目標是美金便宜，殖利率較高時投資。至於賣點，因人而異，也可以買進持有。

    我會覺得美國公債不像市場股票型ETF一樣只要定期定額，閉著眼睛投資，長線都有不錯報酬的概念，是因為，公債殖利率低時，買的公債ETF扣掉國內交易版ETF年度開銷或是美國交易版的債息30%稅，根本不划算，不如持有現金，甚至是現今定存。

    現在台幣定存年息約為0.8%，但是沒有額外費用，也沒有價格波動風險(帳面上)。

    所以，閉著眼睛買美國公債ETF好像有點不妥當，我無法想像為什麼要在低殖利率時買入公債。

    主動型操作基金

    不擅長自己操作公債交易的人也可以投資共同基金，不過我也是非常不推薦。我唯一算是喜歡，但也不完全是美國公債的基金是這這兩支。
    • 富蘭克林美國政府基金：投資的是有擔保房貸，利率比公債高一點。
    • 聯博房貸基金。

    報酬比較(比較指數為標普500指數，這樣可以看出在股票下跌時的表現)

    2015年美國啟動升息循環

    2018年中美貿易戰

    2020年新冠肺炎爆發

    2022年美國啟動升息循環

    2008年美國次貸風暴(聯博房貸基金還未成立)


    2000年dot com泡沫(聯博房貸基金還未成立)

    結論

    富蘭克林美國政府基金表現較聯博房貸基金平穩，但是聯博房貸基金常常績效較佳。

    投資公債就是要賺債息，如果債息不高，又要扣基金管理費，或是繳配息的稅，就真的不是很值得，所以要投資美國公債，建議是要有撿便宜的概念。如果真的不行，也可以考慮買公債型的基金，讓人來操作。
    Labels:

    留言

    張貼留言

    這個網誌中的熱門文章

    母體變異數(population variance)、樣本變異數(sample variance)及自由度(degrees of freedom)

    母體指的是所有的數據，樣本指的是從母體抽樣的數據，舉例來說，一個班級有40人，它們的身高，40個身高數據，若只針對這個班，就是母體，但是，卻只是代表全校學生身高的一部分，也就是樣本。 回到「機率統計」頁面 樣本平均數(mean)不是母體平均數，樣本變異數(variance)也不是母體變異數，一個班40個人身高的平均數很難剛好是全校學生的身高平均數。 一個班40個人的身高變異數也不會是全校學生的身高變異數。 變異數計算 母體變異數的定義如下： 而樣本變異數的定義如下： 奇怪的地方 平均數 雖然樣本平均數不是母體平均數，不過，如果不斷重複從同一個母體抽樣平均，會得到一個近似母體平均數的數字。舉例來說，從一個學校所有學生中，不斷隨機選出40個學生取平均數，再將這些平均數平均，結果會接近直接算全校學生的身高平均數。 也就是說樣本平均數的期望值就是母體平均數： 變異數 樣本變異數跟母體變異數就沒這麼單純了。奇怪的地方是，為什麼樣本變異數公式的除術是n-1，而不是像平均數計算一樣用n？ 為何樣本變異數要除的是(n-1)？ 除數為n的話，變異數會太小 如果樣本變異數的除數是n，樣本變異數就會常常比母體變異數小。為什麼呢？ 因為，樣本是從母體抽取的，抽樣的數據算出平均，並且抽樣的數據會相對的接近抽樣的平均，總不會剛好抽出的樣本平均數剛好是母體平均數，且樣本數據離樣本平均數就像母體數據離母體平均數一樣分散吧？ 假設母體數據為0-99的整數，共100個數據，從中選出10個數字，然後計算樣本的平均數，分別用n及n-1當作除數算出變異數，連續執行200次，並將200個樣本平均數及200個樣本變異數平均。 也就是取得樣本平均數及樣本變異數的期望值，結果如下： 母體平均數 = 49.5
    張貼留言
    Read more »

    中央極限定理(central limit theorem)證明

    中央極限定理(central limit theorem )指的是從一個獨立同分布(Independent and identically distributed, i.i.d)取出之變數數量趨近無限多時，其平均數(mean)將趨近常態分布(normal distribution)。 回到「機率統計」頁面 目錄： 動差母函數(moment generating function) 常態分布的動差母函數 中央極限定理證明 中央極限定理模擬 中央極限定理應用 動差母函數(moment generating function) 動差母函數為機率密度函數(probability density fFunction, PDF）及累積分佈函數(cumulative distribution function CDF)之外，另一種描述機率分布模型的一種方式。 定義 M X (t) = E[e tx ] 而 e tx 的泰勒級數(Taylor series)為 e tx  = 1 + tx + t 2 x 2 /2! +  t 3 x 3 /3! + ... 則 M X (t) 的泰勒級數為 M X (t) = E[e tx ]  = 1 + tE[x] +  t 2 /2! E[x 2 ] +  t 3 /3! E[x 3 ] + ... 因此，當t = 0時，以t取 動差母函數m次微分，就可以找到其分布模型的第m動差。 特性 M X+Y (t) = E[e t(x+y) ] =  E[e tx+ty ] =  E[e tx e ty ]  =  E[e tx ]  E[ e ty ] =  M X (t)  M Y (t)  常態分布的動差母
    張貼留言
    Read more »

    HYG、LQD 與 TLT 風險報酬比較

    10 年期公債除了站上 4%，再撰寫這篇文章時，已經在 4.3% 徘迴，上次在 這篇文章 研究了現在是否應該要買 LQD 而不是 TLT，本篇文章我想研究非投資等級債是否更適合。 買點 HYG 現在 HYG 價格為 74.04，距離近一次低點 2020/3/20 的 69.75，差別為 5.794% LQD 上次低點在 2020/10/14 的 100.38 附近，與目前的 105.01 相差 4.612%。 TLT 上次低點在 2022/11/4 的 94.22 附近，與目前的 95.16相差 1%。 殖利率上升時，公司債的表現 TLT 2009-01-06 到 2010-01-05 跌了 16.364% 這段期間美國 30 年期公債殖利率從 3.04% 漲到  3.74%，漲了 0.7%。 TLT 2012-11-14 到 2013-11-13 跌了 15.701% 這段期間 美國 30 年期公債殖利率從 2.73% 漲到  3.83%，漲了 1.1%。 TLT 2016-07-29 到 2017-07-28 跌了 10.307% 這段期間 美國 30 年期公債殖利率從 2.18% 漲到  2.89%，漲了 0.71%。 TLT 2021-11-18 到 2023-8-15 跌了 32.695% 這段期間美國 30 年期公債殖利率從 1.97% 漲到  4.35%，漲了 2.38%。 結論 HYG 現在也很便宜，在公債殖利率還有可能持續上漲狀況下，表現可能勝過公債及投資等級公司債。
    張貼留言
    Read more »

    如何在Chart.js的圖上加上X軸或Y軸名稱

     Chart.js可以幫助網頁顯示各類圖表，要在X軸及Y軸上標示名稱方法如下： 找到Chart物件。 在Chart物件內找到options。 在options內找到scales，若無，自行加上scales。 即可在scales下設定X軸及Y軸的標示。 程式碼範例 <div> <canvas id="myChart"></canvas> </div> <script src="https://cdn.jsdelivr.net/npm/chart.js"></script> <script> const labels = [ '1', '2', '3', '4', '5', '6', ]; const data = { labels: labels, datasets: [{ label: '數據', backgroundColor: 'rgb(255, 99, 132)', borderColor: 'rgb(255, 99, 132)', data: [0, 10, 5, 2, 20, 30, 45], }] }; const config = { type: 'line', data, options: {scales:{ x:{ title:{ display:true, text:"月" } }, y:{ title:{ display:true, text:"unit" } } } } }; var myChart = new Chart( document.ge
    張貼留言
    Read more »

    賭徒破產理論(Gambler's ruin)機率公式證明

    賭徒破產理論(Gambler's ruin)指指的是兩位賭徒，每局賭1元，A賭徒有i元，B賭徒有n-i元，兩人不斷的賭，直到一人輸光為止。 回到「機率統計」頁面 前言 假設A賭徒勝率為p，輸的機率就是1-p，稱為q，我們要求算A贏光所有錢的機率。 讓p(i)代表A賭徒擁有i元的時候，獲得最後勝利的機率。 p(0) = 0，因為已經輸光所有錢並且賭局已結束。 p(n) = 1，因為已經贏光所有錢並且賭局已結束。 那麼p(i)呢？ 遞迴公式(recursive formula) 假設A有i元，它下一局有可能贏，有可能輸。贏的機率為p，輸的機率為1-p = q。 不論這一局是贏還是輸，A要贏光所有錢的機率還是沒有算出來。 這局贏了，接下來贏光所有錢的機率為p(i+1)。 這局輸了，接下來贏光所有錢的機率為p(i-1)。 因此，p(i) = p*p(i+1) + q*p(i-1)，且可以繼續延伸，例如p(i+1) = p*p(i+2) + q*p(i)、p(i-1) = p*p(i-) + q*p(i-2)... 每個公式需要套用原本的公式，稱為遞迴公式公式，而遞迴公式解法可以像解微分方程(differential equation)一樣，可以先用猜的！ 例如dx/dt = rx，微分之後x還是在公式裡，可以先猜測x = e^y。 猜測 假設，p(i) = x i ，並帶入p(i) = p*p(i+1) + q*p(i-1)，得到  x i   = p* x i+1  + q * x i-1 x = p* x 2  + q p* x 2  - x + q = 0 解一元二次方程式得 x = 1 或 x = q/p 微分方程 p(i) = x i ， x = 1 或 x = q/p，且有兩已知數 p(0) = 0 及 p(n) = 1。 而x i 的x有兩個根(root)，必須都帶入線性組合(linear combination)公式求解。 p(i) = A(1) i  + B ( q/p ) i  =  A +  B ( q/p ) i  p(0) = A + B = 0 ， A = -B p(n) = A + B ( q/p ) n   = 1 A + B ( q/p ) n  = -B +  B ( q/p ) n  = B(-1 +  ( q/p ) n )
    張貼留言
    Read more »